用于对战 Atari 游戏的量子-经典强化学习模型
量子物理
2024-12-13 v1 人工智能
机器学习
摘要
近期的强化学习进展表明，基于参数化量子电路的量子学习模型可作为深度学习模型的替代方案。一方面，这些发现表明，在某些——人工构建的——环境中，完整的量子模型能够提供最终的指数级加速。另一方面，它们展示了实验可达的量子电路（PQC）能够解决 OpenAI Gym 基准任务。然而，是否可以将这些近期量子强化学习技术成功应用于更复杂的问题，这些问题具有高维观测空间，仍是一个开放问题。本文填补了这一鸿沟，提出一种结合 PQC、经典特征编码和后处理层的混合模型，能够处理 Atari 游戏。我们构建了一个受架构限制类似于混合模型的经典模型作为参考。我们的数值研究表明，所提出的混合模型能够解决 Pong 环境，并在 Breakout 中实现与经典参考相当的得分。此外，我们的发现阐明了影响量子组件和经典组件相互作用的重要超参数设置和设计选择。这一工作促进了对近期量子学习模型的理解，并为其在实际 RL 场景中的部署迈出了重要一步。
引用
@article{arxiv.2412.08725,
title = {A quantum-classical reinforcement learning model to play Atari games},
author = {Dominik Freinberger and Julian Lemmel and Radu Grosu and Sofiene Jerbi},
journal= {arXiv preprint arXiv:2412.08725},
year = {2024}
}
备注
10 + 13 pages